基于深度学习和肌电特征选取的手部动作识别研究

发布时间：2023-03-05 11:38

　　生物电信号能够为人机交互提供更加自然、便捷以及有效的连接方式。但是,基于传统机器学习的肌电模式识别研究中,肌电特征种类和特征集维度的上升将导致分类模型的泛化性降低。并且,考虑到智能模型的识别效果过度依赖肌电特征提取方法的优劣性,而在实际应用中,由于手势类别多样化,现有手工特征提取方法结合传统机器学习模型依旧很难充分区分相似手势之间的细微差别。因此,开展结合高维特征集约简的肌电模式识别研究具有重要的意义。针对以上问题,本文以NinaPro DB1肌电数据集为研究对象,利用32种肌电特征提取方法,以肌电特征选择算法、深度学习为研究基础,开展结合最佳肌电特征集和深度卷积神经网络的肌电模式识别框架研究。本文主要研究工作包括:(1)针对肌电模式识别的原始数据来源不一、肌电特征提取种类繁多的问题,采用NinaPro DB1肌电子集作为原始肌电信号数据集,并进行信号预处理,最后提取上述数据集中32种时域及频域肌电特征,组建原始肌电特征集供后续特征选择所需。(2)针对目前肌电特征集维度较高的问题,提出双向递归特征选择算法,通过前向动态递归特征选择算法确定具有最大相关性的候选肌电特征集,并结合后向动态过...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 课题相关国内外研究现状
        1.2.1 表面肌电信号特征提取的国内外研究现状
        1.2.2 表面肌电信号特征选择的国内外研究现状
        1.2.3 基于深度学习的肌电模式识别国内外研究现状
    1.3 主要研究内容
第2章 基于表面肌电信号的特征提取
    2.1 表面肌电信号的获取
    2.2 表面肌电信号的预处理
    2.3 表面肌电信号的特征提取分析
        2.3.1 表面肌电信号时域特征的选取
        2.3.2 表面肌电信号频域特征的选取
    2.4 本章小结
第3章 双向递归肌电特征选择算法
    3.1 肌电特征子集的选择方法及评价方式
        3.1.1 过滤式特征选择方法
        3.1.2 嵌入式特征选择方法
    3.2 基于肌电特征选择的子集评价模型
        3.2.1 k近邻模型
        3.2.2 支持向量机模型
        3.2.3 随机森林模型
    3.3 双向递归肌电特征选择算法
        3.3.1 基于最大相关的前向动态递归特征选择
        3.3.2 基于最小冗余的后向动态过滤特征选择
    3.4 算法的仿真实验
        3.4.1 前向动态递归特征选择算法的实验仿真验证
        3.4.2 后向动态过滤特征选择算法的实验仿真验证
        3.4.3 双向递归肌电特征选择算法的实验仿真验证
    3.5 本章小结
第4章 基于卷积神经网络的肌电模式识别
    4.1 肌电图像的构建
    4.2 基于卷积神经网络的手势预测模型
    4.3 预测模型的仿真实验
        4.3.1 不同网络参数下的实验结果对比及分析
        4.3.2 不同网络输入下的实验结果对比及分析
        4.3.3 不同实验方法下的实验结果对比及分析
    4.4 本章小结
第5章 全文总结与展望
    5.1 全文总结
    5.2 展望
致谢
参考文献
附录1 攻读硕士学位期间的成果
附录2 攻读硕士学位期间参加的科研项目



本文编号：3756122